Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Voorstel voor de adoptie van publieke IT met theoretische basis en empirische bevindingen

75 weergaven

⸱

DOI:

10.3791/73614

⸱

15 september 2026

 ,  , 
1Seoul AI School, Seoul School of Integrated Sciences and Technologies (aSSIST University), 2School of Business, Sungkyunkwan University, 3Department of Management Information Systems, Dong-A University

In dit artikel

Samenvatting

Deze studie stelt het publieke IT-adoptiemodel voor, een op prospect-theorie gebaseerd perceptie-intentiekader dat uitlegt hoe waargenomen winst en verlies de acceptatie of afwijzing van publieke IT-diensten, zoals luchthavenbiometrie, door gebruikers beïnvloeden. Twee enquêtes, waaronder één multinationale enquête, en interventies door experts hebben het model gevalideerd, wat de prospect-theorie over verschillende landen en contexten heen ondersteunt.

Samenvatting

Dit onderzoek stelt een theoretisch model voor de adoptie van publieke IT (PITA). Publieke informatietechnologische (IT) diensten verwijzen naar IT-gebaseerde diensten die publieke instellingen aan alle burgers aanbieden, zoals e-governmentportalen, publieke gezondheidsapplicaties en biometrische systemen op luchthavens. Vanwege de unieke aard van publieke IT worden eerder ontwikkelde modellen, die zich primair richtten op individueel- en bedrijfsniveau, als onvoldoende beschouwd om de kritische massa van publieke IT-adoptie te identificeren. Om dit gat te vullen, is een perceptie-intentiekader gebaseerd op de prospecttheorie voorgesteld om de waargenomen verliezen en winsten van gebruikers bij de adoptie van een nieuwe publieke IT-dienst te onderzoeken, waarbij wordt gesuggereerd dat deze percepties de voorafgaande factoren zijn voor het afwijzen of accepteren van een nieuwe publieke IT-dienst. Er zijn twee studies uitgevoerd, waaronder één met enquêtesteekproeven uit drie landen (Zuid-Korea, het Verenigd Koninkrijk en de Verenigde Staten). Vijf industrie-experts werden via een interventiegebaseerde onderzoeksbenadering uitgenodigd om het model kwalitatief te verfijnen en te valideren, zodat het binnen een praktisch scenario gebruikt kon worden. De resultaten toonden aan dat de totale waarde van acceptatie — dat wil zeggen de geaggregeerde waargenomen waarde die vereist is voor gebruikers om de dienst te accepteren, berekend als de som van de relevante padcoëfficiënten — consistent groter was dan die van afwijzing. Een vergelijkbare bevinding werd gezien voor de waargenomen winst, die een sterkere voorspeller was voor zowel acceptatie als afwijzing dan het waargenomen verlies. Hoewel de bevindingen steunen op cross-sectionele, zelfgerapporteerde gegevens, bieden ze sterke ondersteuning voor de prospecttheorie en dragen ze bij aan een verdere understanding van de fundamentele rol van deze theorie bij de adoptie van publieke IT. Door de prospecttheorie uit te breiden naar de context van IT in de publieke sector, biedt PITA onderzoekers een gevalideerde theoretische basis en praktijkmensen een praktisch instrument voor het diagnosticeren van de adoptie van publieke IT-diensten.

Inleiding

Informatietechnologie (IT) is in de afgelopen decennia geëvolueerd tot een dominante en alomtegenwoordige tool voor het nastreven van innovatie en heeft het dagelijks leven aanzienlijk veranderd. Sinds de introductie van IT-adoptiemodellen gebaseerd op psychologische perspectieven1,2,3,4, is de relatie tussen gebruikers en IT grondig onderzocht op zowel individueel als organisatieniveau5.

Ondertussen hebben veel publieke organisaties moeite om operationele efficiëntie te bereiken onder overweldigende maatschappelijke eisen, zoals luchthavencongestie, wat de effectiviteit en kwaliteit van publieke diensten schaadt. Het uitbreiden van fysieke infrastructuren kan onmiddellijke voordelen opleveren, maar vereist aanzienlijke investeringen in tijd en geld6. In tegenstelling hiermee hebben innovatieve aanbieders van publieke diensten dit probleem aangepakt via IT-gestuurde innovatie7, waarbij innovaties worden geïntegreerd met huidige infrastructuren om de servicekwaliteit en operationele efficiëntie te waarborgen8,9,10,11. Publieke organisaties maken nu gebruik van nieuwe IT (bijv. clouddiensten, cybersecurity en biometrie) om kernactiva te revitaliseren, wat aanvullende adoptie-uitdagingen creëert12. Dit probleem kan voortvloeien uit een ontoereikend begrip van de werkelijke gebruikers: voorafgaand onderzoek heeft zich voornamelijk gericht op factoren die acceptatie stimuleren, terwijl afwijzing werd verwaarloosd. Zonder actieve betrokkenheid van gebruikers zullen IT-implementaties in publieke instellingen mogelijk geen praktische adoptie bereiken.

De adoptie van IT in de publieke sector brengt echter unieke uitdagingen met zich mee die verschillen van contexten in de private sector. Hoewel "acceptatie" en "afwijzing" lijken te fungeren als twee tegenstrijdige status quo's13, kan het bevorderen van de één de ander remmen, waardoor beide kanten van dit tegengestelde effect in overweging moeten worden genomen. Eerdere studies naar innovaties in publieke IT-diensten hadden de neiging om positieve resultaten te benadrukken10,11,14,15,16. Dit artikel onderzocht daarom "acceptatie" en "afwijzing" gezamenlijk, door psychologisch gebaseerde IS-modellen (namelijk diffusie van innovatie en innovatieresistentie) te combineren met gedragseconomie (namelijk de prospecttheorie).

De casus van biometrie op luchthavens, waarbij biometrische identificatie documentgebaseerde procedures vervangt, werd gekozen omdat deze publieke IT-dienst aan alle burgers wordt aangeboden, gevoelige persoonlijke informatie bevat en gebruikers confronteert met een duidelijke acceptatie- of afwijzingsbeslissing. Twee onderzoeksvragen gaven richting aan de studie. RQ1: Hoe beïnvloeden waargenomen winst en verlies de acceptatie en afwijzing van een publieke IT-dienst door gebruikers? RQ2: Is de totale waarde die vereist is voor acceptatie groter dan die voor afwijzing, zoals de prospecttheorie voorspelt? Bijgevolg is er een nieuw theoretisch kader voorgesteld en gevalideerd door industrie-experts via de IBR-strategie (intervention-based research)17 (Figuur 1). Deze studie integreert hiermee de prospecttheorie met IS-adoptiemodellen en biedt bruikbare inzichten voor managers van publieke IT.

Stroomdiagram van het onderzoeksproces: theorie, model, gegevens, analyse, significantie, implicaties, deskundigenbeoordeling.
Figuur 1: Het onderzoeksproces van het kaderen en ontwikkelen van het theoretische model. Het diagram beeldt de algemene onderzoeksstroom uit, van het kaderen van het theoretische model op basis van eerdere adoptiemodellen en de prospecttheorie, via Studie 1 en Studie 2, waarbij beide worden gevolgd door een interventie van deskundigen, tot de voltooiing van het PITA-model. Klik hier om een grotere versie van deze figuur te bekijken.

De adoptie van IT is uitgebreid bestudeerd: het technology acceptance model (TAM)2 en de unified theory of acceptance and use of technology (UTAUT)4 op individueel niveau, en de diffusion of innovation (DOI)1 en het technology-organization-environment framework (TOE)3 op bedrijfsniveau, hebben geleid tot vervolgstudies naar augmented reality en taalverwerving18,19, chatbots en digitale betalingen20,21, mobiliteitsdiensten22,23, en werken op afstand24. Deze modellen hebben echter aanzienlijke beperkingen voor publieke IT: TAM gaat uit van vrijwillig gebruik, DOI negeert gebruikersweerstand, en UTAUT is primair ontwikkeld voor organisatorische omgevingen, waardoor hun toepasbaarheid op quasi-verplichte publieke IT-diensten discutabel blijft. Er bestaan ook studies naar de adoptie van publieke IT op basis van deze modellen; zo is UTAUT uitgebreid om een online systeem voor de afhandeling van publieke klachten te onderzoeken25, en is TOE toegepast op informatie systemen voor personeelsbeheer in de publieke sector14; veel verdere studies hebben vergelijkbare benaderingen gehanteerd26,27,28,29,30,31,32,33,34,35.

De adoptie van IT op publiek niveau verschilt echter aanzienlijk van die op individueel of bedrijfsniveau (zie Tabel 1): de adopterende entiteiten en de gebruikers zijn niet hetzelfde, en de intenties van gebruikers zijn niet duidelijk vanwege psychologische inertie en de status quo van huidige diensten. De disruptieve kenmerken van IT kunnen de herstructurering van bestaande systemen belemmeren36; adoptie vereist bovendien een verandering in de attitudes en het gedrag van gebruikers, wat een duidelijk begrip van de perspectieven van gebruikers vereist. Gezien deze kenmerken zijn eerdere modellen die de nadruk legden op individuele en bedrijfsniveaus mogelijk niet toereikend om de kritieke massa voor publieke IT-adoptie vast te stellen. Omdat IT-gestuurde service-innovatie cruciaal is voor kostenreductie en serviceverbetering37,38 en uiteindelijk de maatschappij vooruithelpt39, is een gericht theoretisch kader voor publieke IT-adoptie essentieel.

Op individueel niveauOp bedrijfsniveauOpenbaar niveau
Adoptie-entiteitIndividuenBedrijven (privé)Bedrijven (publiek)
GebruikerIndividuenBedrijfspersoneelIndividuen
GebruikersintentieBepaaldeBepaalde (gedwongen)Onzeker
Psychologische inertieVerwaarloosbaarVerwaarloosbaar (geforceerd)Opvallend
WaardeperceptieOnmisbaarOnmisbaar (gedwongen)Onmisbaar
Belangrijkste adoptiedoelPersoonlijkEfficiëntie, kostenbesparingAlgemeen belang
Relevante IT-adoptiemodellenTAM2, UTAUT4DOI1, TOE3Deze studie

Tabel 1: Verschillende niveaus van IT-adoptie. De tabel contrasteert IT-adoptie op individueel, bedrijfs- en publiek niveau in termen van representatieve theoretische modellen, adopterende entiteiten en gebruikers.

Uit de bestaande literatuur is gebleken dat individuen en werknemers een a priori (individueel niveau) of gedwongen (bedrijfsniveau) intentie hebben om een specifieke IT-dienst te gebruiken2,40, wat impliceert dat de adoptie vooraf bepaald was4,41. Echter, niet alle gebruikers zijn van plan IT te gebruiken42, en slechts enkele IS-studies hebben de kenmerken en rechtvaardigingen voor afwijzing geïdentificeerd43,44. Bijgevolg zou een nieuwe publieke IT-dienst doelbewust worden afgewezen totdat de innovatie ofwel wordt geaccepteerd of faalt45.

Het begrijpen van de acceptatie en afwijzing door gebruikers van de IT-dienst van een openbare instelling is het hoofddoel van deze studie, onderzocht via twee waardepercepties: waargenomen winst en waargenomen verlies. De waargenomen winst is aangepast op basis van het diffusie-van-innovatie-model1,46; deze constructen zijn uitgebreid gebruikt om percepties die IT-acceptatie bevorderen te onderzoeken47,48 en vertonen een hoge validiteit in verschillende contexten40. Daarentegen omvat waargenomen verlies de kenmerken die verklaren waarom mensen hun huidige levenswijze behouden ondanks de druk om zich aan te passen; gebaseerd op innovatieweerstand42,49, onderzoekt deze onderzoekslijn waarom sommige mensen de adoptie van een innovatie uitstellen of deze direct afwijzen49,50,51,52,53. Een multidimensionale benadering legde deze percepties vast in plaats van verlies en winst als algemene constructen te behandelen.

Waargenomen verlies werd geoperationaliseerd via vijf constructen53,54. Tijdsverlies (TIL) is de waargenomen tijd die verloren gaat bij het leren en gebruiken van de dienst, en wanneer verwachtingen niet worden vervuld53. Sociaal verlies (SOL) is het risico om iemands status binnen een sociale groep te verliezen door dwaas of niet actueel over te komen54. Financieel verlies (FIL) omvat potentiële monetaire verliezen door aankoopkosten, vergoedingen of diefstal van persoonlijke informatie54. Fysiek verlies (PHL) is de perceptie dat gebruik schade, ongemak of uitputting kan veroorzaken53,54. Prestatieverlies (PEL) is de waargenomen afname in servicekwaliteit of functionaliteit in vergelijking met bestaande alternatieven, inclusief defecten en het uitblijven van de gewenste voordelen53.

Om de waargenomen winst (PG) te verklaren, werden relatief voordeel, compatibiliteit, uitprobeerbaarheid en complexiteit gebruikt1,46. Relatief voordeel (REA) is de mate waarin een innovatie als voordeliger wordt beschouwd dan zijn voorganger; compatibiliteit (COM) is de mate waarin deze aansluit bij de waarden, behoeften en eerdere ervaringen van een potentiële gebruiker; uitprobeerbaarheid (TRI) is de mate van mogelijke experimentering voorafgaand aan adoptie; en complexiteit (CPX), wat gerelateerd is aan het waargenomen gebruiksgemak van het TAM, verwijst naar hoe moeilijk de innovatie is om te gebruiken en te begrijpen. Observeerbaarheid werd uitgesloten omdat dit te ambigu is om te meten46 en omdat biometrische resultaten in de publieke IT-context niet gemakkelijk door anderen observeerbaar zijn.

Het verlies-winstkader is voorgesteld om de waargenomen waarden te verklaren die reacties op een nieuwe publieke IT-dienst motiveren. Indien de dienst radicaal is en het gebruikelijke gedrag bedreigt, werd gehypothetiseerd dat het waargenomen verlies zwaarder zou wegen dan de waargenomen winst, wat tot afwijzing zou leiden; als dit aanhoudt, kan afwijzing een constant aspect van de gedragsintentie worden42,49. Omgekeerd, indien de waargenomen voordelen zwaarder wegen dan de verwachte verliezen, heeft de gebruiker weinig redenen om de dienst af te wijzen. Daarom werden de volgende hypothesen opgesteld:

H1. Waargenomen verlies zal een positieve invloed hebben op afwijzing.
H2. Waargenomen verlies zal een negatieve invloed hebben op acceptatie.
H3. Waargenomen winst zal een negatieve invloed hebben op afwijzing.
H4. Waargenomen winst zal een positieve invloed hebben op acceptatie.

Elke IT-gestuurde vooruitgang in overheidsdiensten is bedoeld om de samenleving vooruit te helpen (bijv. sneller en veiliger instappen via luchthavenbiometrie), maar een onlangs gelanceerde publieke IT-dienst is doordrenkt van risico en onzekerheid, waardoor gebruikers de voordelen mogelijk niet accepteren zoals bedoeld. Volgens de prospect-theorie55 nemen mensen dergelijke irrationele beslissingen op basis van evaluaties van alternatieven, waarden en houdingen ten opzichte van onzekerheid, beoordeeld ten opzichte van een referentiepunt (referentieafhankelijkheid). Het belangrijkste inzicht van de theorie is verliesaversie, de neiging waarbij verliezen zwaarder wegen dan equivalente winsten, samen met afnemende sensitiviteit; deze focus op winsten en verliezen ten opzichte van de status quo sluit direct aan bij de acceptatie-afwijzing dichotomie die hier wordt onderzocht. De prospect-theorie is in recente IS- en IT-studies gebruikt om irrationele beslissingen onder risico en onzekerheid te verklaren56,57,58,59,60, variërend van contexten zoals AI-gestuurd werk en digitale gezondheidszorg tot openbare wifi en mobiele betalingen. Hoewel deze studies de relevantie van de theorie bevestigen, richtten ze zich voornamelijk op acceptatie-intenties en verwaarloosden ze de afwijzingsdimensie die centraal staat in de publieke IT-context.

Gebruikers van publieke IT-diensten handelen alsof zij besluiten de dienst te accepteren of te verwerpen op basis van de totale vereiste waarden (d.w.z. de som van de waargenomen winst en het verlies). Geen enkele eerdere studie naar de adoptie van publieke IT heeft dit fenomeen vanuit dit perspectief onderzocht. Bijgevolg werden padcoëfficiënten (d.w.z. PL naar REJ) gecodeerd als waarden55, en de totale waarden die vereist waren voor verwerping en acceptatie werden als volgt berekend:

V(R) = CLR + CGR (1)
V(A) = CLA + CGA (2)

waarbij CLR, CGR, CLA en CGA respectievelijk de padcoëfficiënten zijn van waargenomen verlies naar afwijzing, waargenomen winst naar afwijzing, waargenomen verlies naar acceptatie en waargenomen winst naar acceptatie; deze gestandaardiseerde coëfficiënten leveren V(R) en V(A) op als samengestelde waarden van de totale invloed van verlies en winst. Omdat publieke IT-diensten zijn ontworpen om gebruikers ten goede te komen, terwijl gebruikers verliezen zwaarder wegen dan winsten bij het verlaten van de status quo, werd verwacht dat acceptatie, de risicovollere keuze, een grotere totale waarde zou vereisen dan afwijzing. Op basis van H1–H4 test H5 de nettobalans van deze effecten:

H5. De totale waarde die vereist is voor acceptatie, V(A), zal groter zijn dan die voor afwijzing, V(R). Het resulterende conceptuele PITA-model (public information technology adoption) wordt getoond in Figuur 2.

Diagram van het besluitvormingsproces; waargenomen verlies en winst leiden naar afwijzing en acceptatie.
Figuur 2: Conceptueel PITA-model. Het diagram toont waargenomen verlies (PL) en waargenomen winst (PG) als antecedenten van afwijzing (REJ) en acceptatie (ACC); de paden a, b, c en d komen overeen met de coëfficiënten die worden gebruikt om de totale waarden V(R) en V(A) te berekenen. Opmerking: a = CLR, b = CLA, c = CGR en d = CGA Klik hier om een grotere versie van deze figuur te bekijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Alle studieprocedures waren in overeenstemming met de ethische principes die van toepassing zijn op onderzoek met menselijke deelnemers aan aSSIST University, Sungkyunkwan University en Dong-A University. Omdat de enquêteantwoorden op het moment van verzameling werden geanonimiseerd en er geen persoonlijk identificeerbare informatie werd verzameld, heeft de Institutional Review Board van aSSIST University de studie geclassificeerd als vrijgesteld van een volledige ethische toetsing. De deelnemende instellingen hebben geen afzonderlijke IRB-goedkeuringen verkregen, aangezien zij vertrouwden op de vrijstellingsbeschikking van de Institutional Review Board van aSSIST University, die zowel het onderzoeksontwerp als de gegevensverzamelingsprocedures omvatte. Deze bepaling is gedaan in overeenstemming met Artikel 15 van de Bioethics and Safety Act van de Republiek Korea en de vrijstellingscriteria gespecificeerd in Artikel 13 van de bijbehorende uitvoeringsregeling (https://public.irb.or.kr/pt/pt01/PT0103/PT0103R01.do). Voordat zij toegang kregen tot de Qualtrics-vragenlijst, kregen alle deelnemers een elektronische verklaring van geïnformeerde toestemming te zien, waarin het academische doel van het onderzoek, de anonieme verwerking van de antwoorden, het gebruik van de gegevens uitsluitend voor onderzoeksdoeleinden en de afwezigheid van redelijkerwijs voorzienbare risico's werden uitgelegd. Alleen deelnemers die expliciet hun toestemming gaven, mochten deelnemen aan de enquête.

Overzicht van studies
Er werden twee empirische studies en twee expertinterventies uitgevoerd om de vijf hypothesen en het voorgestelde PITA-model te testen. De resultaten worden weergegeven in Figuur 3. Er werden twee-golf surveys uitgevoerd vóór COVID-19 (2019 Q4) en tijdens COVID-19 (2020 Q2-Q3) om constructen afzonderlijk op verschillende tijdstippen te meten, de mogelijkheid van common method bias (CMB) in de data te verminderen en de generaliseerbaarheid van de studie te vergroten61,62.

Stroomdiagram van de vergelijking van studies; pre/post-COVID, monsters, regio's; onderzoekstijdlijn, interventies.
Figuur 3: Overzicht van studies. De tijdlijn vat het ontwerp met twee golven samen: Studie 1 (2019 Q4, vóór COVID-19, Koreaans monster, N = 322) gevolgd door de eerste expertinterventie, en Studie 2 (2020 Q2-Q3, tijdens COVID-19, monsters uit Korea/VK/VS, N = 602) gevolgd door de tweede expertinterventie. Klik hier om een grotere versie van deze figuur te bekijken.

Model Studie 1
Het initiële onderzoeksmodel werd opgesteld op basis van de ontwikkelde hypothesen om de intenties van gebruikers om een onlangs geïntroduceerde openbare IT-dienst (d.w.z. biometrie op luchthavens) te accepteren of te weigeren te onthullen, zoals weergegeven in Figuur 4. De meningen van gebruikers over openbare IT-diensten werden weerspiegeld in twee tweedelingsconstructen, waargenomen verlies (PL) en waargenomen winst (PG), die elk werden gevormd door hun respectievelijke eerstelingsconstructen. Deze twee tweedelingsconstructen dienen als de antecedenten van weigering (REJ) en acceptatie (ACC), die de intenties van gebruikers vertegenwoordigen om openbare IT-diensten te gebruiken.

Conceptueel diagram; structureel vergelijkingsmodel met constructen PL, PG, REJ, ACC; onderzoeksanalyse.
Figuur 4: Onderzoeksmodel Studie 1. Vijf eerste-orde verliesconstructen (PEL, TIL, SOL, PHL en FIL) vormen het tweede-orde construct waargenomen verlies, en vier eerste-orde winstconstructen (REA, COM, TRI en CPX) vormen waargenomen winst; de twee tweede-orde constructen zijn gemodelleerd als antecedenten van afwijzing en acceptatie (H1–H4). Klik hier om een grotere versie van deze figuur te bekijken.

Onderzoeksgegevens Studie 1
De eerste dataset, gebaseerd op in totaal 322 Koreaanse deelnemers (vrouw: 46,6% en man: 53,4%) die ervaring hadden met het instappen in een vliegtuig minstens één keer in het afgelopen jaar, werd verzameld van 13 november tot 18 november 2019 (vóór het begin van de COVID-19-pandemie). Definities en voorbeelden van publieke IT-diensten (bijv. biometrische toepassingen op luchthavens) werden verstrekt in de inleiding van de enquête. De ruwe gegevens voor Studie 1 zijn opgenomen in Aanvullend Bestand 1. De vliegfrequentie werd gemeten in vijf onderling uitsluitende categorieën (FF1–FF5), overeenkomend met één, twee, drie, vier en vijf of meer vluchten in het afgelopen jaar (Studie 1: respectievelijk 138, 91, 34, 21 en 38 deelnemers; Studie 2: respectievelijk 174, 153, 109, 82 en 84 deelnemers).

De voorspellende constructen werden geëvalueerd met een zevenpunts Likert-schaal die varieerde van „zeer oneens (1)” tot „zeer eens (7)” (zie Aanvullend Bestand 21,46,53,54,63,64 voor de vragenlijst van de studie). Na een voorlopige test met 20 deelnemers waren de revisies beperkt tot verfijningen op formuleringsniveau van de vragenitems om hun stabiliteit, toepasbaarheid en interpreteerbaarheid te verbeteren; er werden geen constructen of items toegevoegd of verwijderd na de pilot. Het ondersteunende document bevat de volledige vragenlijst alsmede relevante statistieken en de theoretische context. Er werden analyses uitgevoerd met behulp van bevestigende factoranalyse (CFA) en covariantie-gebaseerde structurele vergelijkingsmodellen (CB-SEM).

Interventie van experts voor Studie 1
Vijf experts met ten minste tien jaar ervaring werden uitgenodigd om de objectiviteit te waarborgen en het niveau van dit werk te verbeteren, waaronder twee van internationale organisaties (Airports Council International en International Air Transport Association), twee van overheidsorganisaties (Singapore Changi Airport en Korea Airports Corporation), en één van een privaat bedrijf dat diensten aanbiedt in een publieke setting (Korean Air). Deze interventie door experts was essentieel voor het verkrijgen van feedback om het model en de domeinkennis van de doelsetting te verbeteren. Er werden zowel kwalitatieve (d.w.z. subjectieve feedback) als kwantitatieve evaluaties (zevenpunts Likert-schaal) uitgevoerd. Voor de kwantitatieve beoordeling werd een herziene versie van de items van de vragenlijst over kenmerken van het besluitverslag (zie Supplementary File 3)65 gebruikt en gevalideerd met behulp van de intraclass correlatiecoëfficiënt66. In elke interventieronde vulde elke expert de kwantitatieve vragenlijst individueel in en gaf vervolgens open kwalitatieve feedback; in beide interventies werden hetzelfde panel, dezelfde instrumenten en dezelfde procedure gebruikt om replicatie mogelijk te maken.

Studie 2
Om de in Studie 1 geïdentificeerde problemen aan te pakken en de generaliseerbaarheid van het model te verbeteren, is in Studie 2 hetzelfde model als in Studie 1 toegepast. Studie 2 omvatte 602 deelnemers (vrouw: 42,3%, man: 57,7%, Korea: 200, VK: 201 en VS: 201). Gegevens werden verzameld tussen 23 juli en 19 augustus 2020 (tijdens de COVID-19-pandemie). De ruwe gegevens voor Studie 2 zijn opgenomen in Aanvullend Bestand 4. Met 33 geobserveerde indicatoren biedt deze steekproefomvang ongeveer 18 waarnemingen per indicator, wat het algemeen aanbevolen criterium van 10 waarnemingen per indicator voor CB-SEM overschrijdt, en ligt ook boven de veelgebruikte minimale drempel van 200 waarnemingen. Korea, het VK en de VS werden gekozen omdat zij verantwoordelijk waren voor 29,1% van alle luchtreizigers wereldwijd (ongeveer 1,6 miljard van de 5,5 miljard) van juli 2019 tot juni 2020. De COVID-19-pandemie trof deze landen op verschillende tijdstippen, beginnend in Korea en later de VS en het VK beïnvloedend. Bovendien boden de drie landen een mengeling van oosterse en westerse culturele tradities. Bijgevolg werd de gecombineerde dataset van deze landen gebruikt om het perceptie-intentiekader van gebruikers voor de nieuwe publieke IT-dienst (d.w.z. luchthavenbiometrie) te onderzoeken.

Interventie van experts voor Studie 2
Hetzelfde panel van experts is uitgenodigd, dezelfde kwantitatieve en kwalitatieve evaluaties zijn uitgevoerd en hun feedback is opgevraagd om de bevindingen in Studie 2 te valideren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Studie 1
Om potentiële gemeenschappelijke meetfoutbron (CMB) geassocieerd met zelfgerapporteerde gegevens te beoordelen, werd eerst een een-factor-analyse uitgevoerd67. Volgens de resultaten van de test verklaarde één factor 36,56% van de variantie; één enkele factor die minder dan 50% van de variantie verklaart, duidt erop dat CMB geen probleem is62,67,68. Vervolgens werd de construc...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Dit onderzoek, bestaande uit twee studies, testte het PITA-model voor de adoptie van publieke IT; in beide studies werden alle vijf de hypothesen ondersteund, en de kloof tussen V(A) en V(R) werd groter in de risicovollere context van COVID-19, in lijn met de voorspelling van de prospecttheorie dat risicovollere keuzes een hogere waargenomen waarde vereisen. Er werd een hiaat vastgesteld in de theoretische fundamenten van de literatuur over IT-adoptie, waaronder TAM2 en DOI1

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren dat er geen belangenverstrengeling is. Tijdens de voorbereiding van dit herziene manuscript is een generatieve kunstmatige intelligentietool (ChatGPT 5o) gebruikt ter ondersteuning bij de taalredactie en opmaak. De auteurs hebben alle inhoud beoordeeld en geverifieerd en dragen de volledige verantwoordelijkheid voor het manuscript; er is geen AI-tool gebruikt om gegevens te genereren, analyses uit te voeren of figuren te maken.

Dankbetuigingen

Dit werk werd ondersteund door onderzoeksgelden van aSSIST University.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
IBM SPSS Amos (CB-SEM-software)IBM Corp. (Armonk, NY, USA)versie 27; https://www.ibm.com/products/structural-equation-modeling-sem/Gebruikt voor alle covariantiestructurele vergelijkingsmodelleringen (CB-SEM), inclusief de beoordeling van het meetmodel (CFA: samengestelde betrouwbaarheid, AVE en discriminante validiteit) en padanalyse van het structurele model. 
Prolific (online platform voor de werving van participanten)Prolific Academic Ltdhttps://www.prolific.com/Online platform dat is gebruikt voor het werven van enquêteparticipanten. De participanten zijn gescreend op basis van geschiktheidscriteria (bijv. luchthavenervaring) en gecompenseerd volgens de richtlijnen voor eerlijke betaling van Prolific. 
Qualtrics (online platform voor enquêtes)Qualtrics, LLCRRID:SCR_016728Webgebaseerd enquêteplatform gebruikt voor het ontwerp van vragenlijsten, de distributie hiervan en het verzamelen van responsgegevens. Alle meetitems werden afgenomen via Qualtrics met gebruik van een 7-punts Likert-schaal (1 = geheel mee oneens, 7 = geheel mee eens). https://www.qualtrics.com/

Referenties

  1. Rogers EM, Singhal A, Quinlan MM. Diffusion of innovations. In: An integrated approach to communication theory and research. London: Routledge; 2014. p. 432-448.
  2. Davis FD. A technology acceptance model for empirically testing new end-user information systems: theory and results [dissertation]. Cambridge (MA): Massachusetts Institute of Technology; 1985.
  3. Tornatzky LG, Fleischer M, Chakrabarti AK. Processes of technological innovation. Lexington (MA): Lexington Books; 1990.
  4. Venkatesh V, Morris MG, Davis GB, Davis FD. User acceptance of information technology: toward a unified view. MIS Q. 2003;27(3):425-478.
  5. Jeyaraj A, Sabherwal R. Adoption of information systems innovations by individuals: a study of processes involving contextual, adopter, and influencer actions. Inf Organ. 2008;18(3):205-234.
  6. Balliauw M, Onghena E. Expanding airport capacity of cities under uncertainty: strategies to mitigate congestion. J Air Transp Manag. 2020;84:101791.
  7. Marjanovic O, Cecez-Kecmanovic D. Open government data platforms - a complex adaptive sociomaterial systems perspective. Inf Organ. 2020;30(4):100323.
  8. Kim C, Lee KC, Costello FJ. The intention of passengers towards repeat use of biometric security for sustainable airport management. Sustainability. 2020;12(11):4528.
  9. Morosan C. Voluntary steps toward air travel security: an examination of travelers' attitudes and intentions to use biometric systems. J Travel Res. 2012;51(4):436-450.
  10. Negri NAR, Borille GMR, Falcão VA. Acceptance of biometric technology in airport check-in. J Air Transp Manag. 2019;81:101720.
  11. Morosan C. An empirical examination of US travelers' intentions to use biometric e-gates in airports. J Air Transp Manag. 2016;55:120-128.
  12. Price A, Prusak A, Wright M. Tech trends 2021: a government perspective. Deloitte Insights; 2021.
  13. Samuelson W, Zeckhauser R. Status quo bias in decision making. J Risk Uncertain. 1988;1(1):7-59.
  14. Troshani I, Jerram C, Hill SR. Exploring the public sector adoption of HRIS. Ind Manag Data Syst. 2011;111(3):470-488.
  15. Cordella A, Bonina CM. A public value perspective for ICT enabled public sector reforms: a theoretical reflection. Gov Inf Q. 2012;29(4):512-520.
  16. Warkentin M, Orgeron C. Using the security triad to assess blockchain technology in public sector applications. Int J Inf Manag. 2020;52:102090.
  17. Oliva R. Intervention as a research strategy. J Oper Manag. 2019;65(7):710-724.
  18. Oyman M, Bal D, Ozer S. Extending the technology acceptance model to explain how perceived augmented reality affects consumers' perceptions. Comput Hum Behav. 2022;128:107127.
  19. Hsu HT, Lin CC. Extending the technology acceptance model of college learners' mobile-assisted language learning by incorporating psychological constructs. Br J Educ Technol. 2022;53(2):286-306.
  20. Balakrishnan J, Abed SS, Jones P. The role of meta-UTAUT factors, perceived anthropomorphism, perceived intelligence, and social self-efficacy in chatbot-based services? Technol Forecast Soc Change. 2022;180:121692.
  21. Wu B, An X, Wang C, Shin HY. Extending UTAUT with national identity and fairness to understand user adoption of DCEP in China. Sci Rep. 2022;12(1):1-11.
  22. Epstein B. Two decades of e-government diffusion among local governments in the United States. Gov Inf Q. 2022;39(2):101665.
  23. Hasselwander M, Bigotte JF, Fonseca M. Understanding platform internationalisation to predict the diffusion of new mobility services. Res Transp Bus Manag. 2022;43:100765.
  24. Ng PM, Lit KK, Cheung CT. Remote work as a new normal? The technology-organization-environment (TOE) context. Technol Soc. 2022;70:102022.
  25. Rana NP, Dwivedi YK, Williams MD, Weerakkody V. Adoption of online public grievance redressal system in India: toward developing a unified view. Comput Hum Behav. 2016;59:265-282.
  26. Alawadhi S, Morris A. Factors influencing the adoption of e-government services. J Softw. 2009;4(6):584-590.
  27. Chan FKY, et al. Modeling citizen satisfaction with mandatory adoption of an e-government technology. J Assoc Inf Syst. 2010;11(10):519-549.
  28. Weerakkody V, El-Haddadeh R, Al-Sobhi F, Shareef MA, Dwivedi YK. Examining the influence of intermediaries in facilitating e-government adoption: an empirical investigation. Int J Inf Manag. 2013;33(5):716-725.
  29. Mensah IK. Impact of government capacity and e-government performance on the adoption of e-government services. Int J Public Adm. 2020;43(4):303-311.
  30. Al Mansoori KA, Sarabdeen J, Tchantchane AL. Investigating Emirati citizens' adoption of e-government services in Abu Dhabi using modified UTAUT model. Inf Technol People. 2018;31(2):455-481.
  31. Mukred M, et al. The key factors in adopting an electronic records management system (ERMS) in the educational sector: a UTAUT-based framework. IEEE Access. 2019;7:35963–35980.
  32. Naranjo-Zolotov M, Oliveira T, Casteleyn S. Citizens' intention to use and recommend e-participation: drawing upon UTAUT and citizen empowerment. Inf Technol People. 2019;32(2):364-386.
  33. Toufaily E, Zalan T, Dhaou SB. A framework of blockchain technology adoption: an investigation of challenges and expected value. Inf Manag. 2021;58(3):103444.
  34. Amron MT, Ibrahim R, Bakar NAA, Chuprat S. Acceptance of cloud computing in the Malaysian public sector: a proposed model. Int J Eng Bus Manag. 2019;11:1847979019880709.
  35. Chatfield AT, Reddick CG. The role of policy entrepreneurs in open government data policy innovation diffusion: an analysis of Australian federal and state governments. Gov Inf Q. 2018;35(1):123-134.
  36. Dahabiyeh L, Constantinides P. Legitimating digital technologies in industry exchange fields: the case of digital signatures. Inf Organ. 2022;32(1):100392.
  37. Feller I. Managerial response to technological innovation in public sector organizations. Manage Sci. 1980;26(10):1021-1030.
  38. Dawson GS, Denford JS, Desouza KC. Governing innovation in US state government: an ecosystem perspective. J Strateg Inf Syst. 2016;25(4):299-318.
  39. Oliveira T, Fraga M. Literature review of information technology adoption models at firm level. Electron J Inf Syst Eval. 2011;14(1):110-121.
  40. Tornatzky LG, Klein KJ. Innovation characteristics and innovation adoption-implementation: a meta-analysis of findings. IEEE Trans Eng Manag. 1982;EM-29(1):28-45.
  41. Harrison DA, Mykytyn PP Jr, Riemenschneider CK. Executive decisions about adoption of information technology in small business: theory and empirical tests. Inf Syst Res. 1997;8(2):171-195.
  42. Ram S. A model of innovation resistance. Adv Consum Res. 1987;14(1):208-212.
  43. Lapointe L, Rivard S. A multilevel model of resistance to information technology implementation. MIS Q. 2005;29(3):461-491.
  44. Davidson E, Baird A, Prince K. Opening the envelope of health care information systems research. Inf Organ. 2018;28(3):140-151.
  45. Bradley L, Stewart K. A Delphi study of the drivers and inhibitors of Internet banking. Int J Bank Mark. 2002;20(6):250-260.
  46. Moore GC, Benbasat I. Development of an instrument to measure the perceptions of adopting an information technology innovation. Inf Syst Res. 1991;2(3):192-222.
  47. Agarwal R, Prasad J. The role of innovation characteristics and perceived voluntariness in the acceptance of information technologies. Decis Sci. 1997;28(3):557-582.
  48. Karahanna E, Straub DW, Chervany NL. Information technology adoption across time: a cross-sectional comparison of pre-adoption and post-adoption beliefs. MIS Q. 1999;23(2):183-213.
  49. Ram S, Sheth JN. Consumer resistance to innovations: the marketing problem and its solutions. J Consum Mark. 1989;6(2):5-14.
  50. Ellen PS, Bearden WO, Sharma S. Resistance to technological innovations: an examination of the role of self-efficacy and performance satisfaction. J Acad Mark Sci. 1991;19(4):297-307.
  51. Gatignon H, Robertson TS. Technology diffusion: an empirical test of competitive effects. J Mark. 1989;53(1):35-49.
  52. Weber EU, Bottom WP. Axiomatic measures of perceived risk: some tests and extensions. J Behav Decis Mak. 1989;2(2):113-131.
  53. Stone RN, Grønhaug K. Perceived risk: further considerations for the marketing discipline. Eur J Mark. 1993;27(3):39-50.
  54. Featherman MS, Pavlou PA. Predicting e-services adoption: a perceived risk facets perspective. Int J Hum Comput Stud. 2003;59(4):451-474.
  55. Kahneman D, Tversky A. Prospect theory: an analysis of decision under risk. Econometrica. 1979;47(2):263-291.
  56. Verma S, Singh V. Impact of artificial intelligence-enabled job characteristics and perceived substitution crisis on innovative work behavior of employees from high-tech firms. Comput Hum Behav. 2022;131:107215.
  57. Fadel KJ, Meservy TO, Kirwan CB. Information filtering in electronic networks of practice: an fMRI investigation of expectation (dis)confirmation. J Assoc Inf Syst. 2022;23(2):491-520.
  58. Choi HS, Carpenter D, Ko MS. Risk taking behaviors using public Wi-Fi. Inf Syst Front. 2021:1-18.
  59. Khan WU, Shachak A, Seto E. Understanding decision-making in the adoption of digital health technology: the role of behavioral economics' prospect theory. J Med Internet Res. 2022;24(2):e32714.
  60. Wong D, Liu H, Meng-Lewis Y, Sun Y, Zhang Y. Gamified money: exploring the effectiveness of gamification in mobile payment adoption among the silver generation in China. Inf Technol People. 2022;35(1):281-315.
  61. Tarafdar M, Maier C, Laumer S, Weitzel T. Explaining the link between technostress and technology addiction for social networking sites: a study of distraction as a coping behavior. Inf Syst J. 2020;30(1):96-124.
  62. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903.
  63. Szmigin I, Foxall G. Three forms of innovation resistance: the case of retail payment methods. Technovation. 1998;18(6-7):459-468.
  64. Lee MC. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electron Commer Res Appl. 2009;8(3):130-141.
  65. Aldag RJ, Power DJ. An empirical assessment of computer-assisted decision analysis. Decis Sci. 1986;17(4):572-588.
  66. Shrout PE, Fleiss JL. Intraclass correlations: uses in assessing rater reliability. Psychol Bull. 1979;86(2):420-428.
  67. Podsakoff PM, Organ DW. Self-reports in organizational research: problems and prospects. J Manag. 1986;12(4):531-544.
  68. Podsakoff PM, MacKenzie SB, Podsakoff NP. Sources of method bias in social science research and recommendations on how to control it. Annu Rev Psychol. 2012;63:539-569.
  69. Fornell C, Larcker DF. Evaluating structural equation models with unobservable variables and measurement error. J Mark Res. 1981;18(1):39-50.
  70. Kline E, et al. Convergent and discriminant validity of attenuated psychosis screening tools. Schizophr Res. 2012;134(1):49-53.
  71. Tversky A, Kahneman D. Rational choice and the framing of decisions. In: Multiple criteria decision making and risk analysis using microcomputers. Berlin, Heidelberg: Springer; 1986. p. 81-126.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Meer artikelen verkennen

ProspecttheoriePerceptie-intentie-raamwerkE-overheidsdienstenVolksgezondheidsapplicatiesBiometrische systemenGebruikersacceptatieWaargenomen waardeGrensoverschrijdend onderzoekInterventieonderzoek
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.